Vikhyat Chaudhry, CTO, COO & Co-Founder van Buzz Solutions – Interview Series

Vikhyat Chaudhry is de CTO, COO en co-founder van Buzz Solutions en een voormalig data scientist bij Cisco, een machine learning/embedded systems engineer bij Altitude en een afgestudeerde van Stanford.

Buzz Solutions levert nauwkeurige AI- en predictieve analytics software om visuele inspecties voor transmissie-, distributie- en substationinfrastructuur efficiënter te maken.

Kunt u uw reis en carrièrehoogtepunten delen die u hebben geleid tot de co-founding van Buzz Solutions?

Ik groeide op in New Delhi, India, met een natuurlijke nieuwsgierigheid naar innovatie en techniek en ik bezocht het Delhi College of Engineering, waar ik civiele en milieutechniek studeerde. Ik herinner me vooral een moment tijdens mijn laatste jaar toen ik een drone van scratch bouwde en hem in de stad vloog. De opdracht was om de luchtkwaliteit in New Delhi te monitoren en via dit experiment ontdekte ik dat de kwaliteit boven de 500 AQI lag, wat equivalent is aan het roken van 60 sigaretten per dag. De slechte luchtkwaliteit kon rechtstreeks worden toegeschreven aan een gebrek aan elektrificatie, stijgende uitstoot van voertuigen en een toename van kolengestookte centrales in de loop van de jaren. Deze ervaring versterkte mijn interesse in het gebruik van technologie om echte problemen op het gebied van energie en kracht aan te pakken.

Voordat ik Buzz oprichtte, leidde mijn technische achtergrond me naar mijn rol als leider van de Machine AI- en Data Science-teams bij Cisco Systems voor een paar jaar. Deze ervaring was onwaardeerbaar en bouwde mijn blootstelling op aan een diverse reeks kunstmatige intelligentie- en machine learning-projecten vanaf het begin.

Ik behaalde mijn master in civiele/milieutechniek aan de Stanford University in 2016. Tijdens deze periode volgde ik lessen die zich specialiseerden in energie-engineering, waardoor mijn interesse die eerder in het buitenland was ontstaan, werd versterkt. Ik ontmoette mijn mede-oprichter Kaitlyn in een klas waar we ons verbonden over onze passies voor het milieu, energie en ondernemerschap. We stuitten op een grote behoefte in de nutssector en hebben sindsdien aan oplossingen gewerkt om deze aan te pakken.

Welke belangrijke ontwikkelingen hebt u waargenomen in de overgang van traditionele AI naar Generative AI tijdens uw carrière, en welke significante impact heeft deze overgang gehad op verschillende industrieën?

 In 2022 begonnen we met experimenteren met Generative AI. GenAI in de nutssector is een interessant gebruiksscenario, omdat de data waar we mee werken veel verschillende variabelen omvat. Er zijn factoren zoals camereresolutie, hoek van opname en objectafstand – en dat zijn alleen maar voor de drones. Er zijn ook omgevingsfactoren zoals corrosie of vegetatie-inbreuk die talloze gradaties van vrijheid introduceren. Vanwege deze complexiteit kan goede trainingsdata voor gridmodellen moeilijk te vinden zijn.

Dat is waar GenAI de afgelopen jaren is binnengekomen – naarmate de kunstmatige intelligentie en machine learning verbeteren, verbeteren de trainingssets die het creëert ook.

GenAI is een haalbaar optie geworden voor het trainen van modellen, vooral met cruciale ‘edge cases’ waarbij variabelen extreme waarden hebben, zoals in het geval van een bosbrand. Naarmate GenAI in de nutssector vordert, zullen synthetische datasets, gebaseerd op echte gegevens, helpen bij het verder trainen van modellen om complexe en unieke datasituaties effectiever aan te pakken, wat significante verbeteringen biedt in predictief onderhoud en anomaliedetectie, wat op zijn beurt natuurlijke rampen zal verminderen.

Kunt u uitgebreider vertellen over hoe de AI-tool van Buzz Solutions echte data gebruikt voor anomaliedetectie en welke voordelen het biedt ten opzichte van synthetische data?

In de nutssector betekent echte data alles wat in het veld kan worden vastgelegd, meestal inclusief afbeeldingen of video’s gemaakt met luchtvaartuigen zoals drones of helikopters. Synthetische data is data die wordt verzameld via een beeldreplicatieproces dat handmatig verschillende componenten van een afbeelding wijzigt om te proberen rekening te houden met een exponentieel aantal scenario’s en randgevallen. Momenteel is het geweldig op papier, maar niet in de praktijk. Modellen getraind met echte data vanaf het begin zijn bewezen meer nauwkeurig te zijn en het voordeel is dat teams door het gebruik van echte data 1:1 kunnen kaarten met de ‘grondwaarheid’ – een nauwkeurige weergave van de fysieke wereldscenario’s die een technicus waarschijnlijk zal tegenkomen (zoals achtergrondruis en weer). De echte data houdt rekening met echte wereldmogelijkheden en omvat de onvoorspelbare variabelen van foutdetectie.

Hoewel synthetische data alleen nog niet in staat is om te optimaliseren voor echte wereldscenario’s (nog niet), speelt het nog steeds een belangrijke rol bij het trainen van modellen.

Wat zijn de grootste uitdagingen die u tegenkomt bij het integreren van AI met legacy-systemen in nutsbedrijven?

Legacy-systemen in nutsbedrijven zijn vaak niet compatibel met AI-verbeteringen. Twee grote uitdagingen die we zien, zijn interne transformatie en datamanagement. Gesloten data en communicatie kunnen schadelijk zijn voor digitale transformatie-inspanningen. De data die nutsbedrijven al in bezit hebben, moet worden beheerd en veiliggesteld terwijl informatie wordt overgedragen.

Bovendien hebben nutsbedrijven die nog steeds gebruikmaken van lokale gegevensopslag grotere uitdagingen. De overstap van lokale gegevensopslag naar cloud-infrastructuur is niet het probleem, maar eerder de uitgebreide transformatie en de naschok die volgt. Dit proces vereist aanzienlijke middelen en tijd, waardoor het moeilijk is om verschillende technologieën toe te voegen bovenop de transformatie. Het introduceren van effectieve AI-oplossingen is niet aan te raden totdat dit proces is voltooid.

Het is ook belangrijk dat er intern een culturele verschuiving plaatsvindt, samen met de technologische verschuiving. Dit vereist dat medewerkers zich committeren aan voortdurend leren en aanpassen aan veranderingen in het proces en naar AI-oplossingen kijken als effectieve instrumenten om hun dagelijkse taken gemakkelijker en efficiënter te maken.

Kunt u het proces uitleggen van het trainen van AI-modellen met veldgeteste data van vitale infrastructuurlocaties?

Een groot deel van het trainingsproces bestaat uit het verwerken van de luchtdatasets die door drones en helikopters worden geleverd. We kiezen ervoor om drones te gebruiken in plaats van methoden zoals satellieten vanwege de flexibiliteit en onmiddellijke gegevenslevering die ze bieden. We gebruiken drie hoofdtypen algoritmes: afbeeldingsclusteren, segmenteren en anomaliedetectie.

Onze technologie wordt aangedreven door Human-in-the-loop machine learning – wat ons subject matter experts op ons team in staat stelt om directe feedback te geven aan het model voor voorspellingen onder een bepaald vertrouwensniveau. We zijn gelukkig om de SME’s op ons team te hebben die we hebben – met hun decennia van gecombineerde ervaring als veldtechnicus, geven ze feedback om onze modellen nauwkeuriger, persoonlijker en robuuster te maken.

Door het gebruik van echte veldgeteste data kunnen we ervoor zorgen dat onze anomaliedetectie zeer nauwkeurig en betrouwbaar is, waardoor nutsbedrijven actiegerichte inzichten krijgen.

Hoe draagt de AI-technologie van Buzz Solutions bij aan het veiliger maken van reparaties aan hoogspanningslijnen?

Reparatiewerkzaamheden aan hoogspanningslijnen zijn een van de gevaarlijkste beroepen in Amerika, en de sector ondervindt de gevolgen van een verouderde werkende bevolking en een tekort aan technici.

Met onze technologie, PowerAI, is noodhulp effectiever en nauwkeuriger gemaakt, zodat technici schade op afstand kunnen beoordelen en de tijd hebben om een vooraf bepaalde actie te ontwikkelen – wat de mogelijkheid vermindert om een technicus naar een onbekende, mogelijk gevaarlijke situatie te sturen.

PowerAI gebruikt computerzicht en machine learning om een groot deel van het foutdetectieproces te automatiseren. Het heeft de analyse van grote hoeveelheden datapunten sneller, veiliger en goedkoper gemaakt, zodat technici nu minder onnodig risico lopen en een hogere operationele efficiëntie hebben. Deze operationele efficiëntie presenteert zich door kleinere kosten, snellere omlooptijden en preventief onderhoud.

Wat is de rol van drones en andere geavanceerde technologieën bij het moderniseren van infrastructuurinspecties?

Historisch gezien was het proces van infrastructuurinspecties volledig handmatig en zeer saai. Inspecteurs zouden voor een computerscherm zitten, duizenden afbeeldingen doorschuiven en problemen handmatig identificeren. Dit proces werd onhoudbaar toen hoogspanningslijnen steeds meer problemen ondervonden, wat leidde tot onveiligere situaties en strengere regelgeving, waardoor de hoeveelheid data die moest worden beoordeeld in een kortere tijd toenam.

AI-gebaseerde technologie stroomlijnt het proces van het analyseren van data aanzienlijk, wat de tijd en kosten vermindert. Dit stelt nutsbedrijven in staat om reparatieteams sneller en effectiever in te zetten. De detectie van problemen is ook veel preciezer, waardoor reparaties tijdig kunnen worden uitgevoerd en groeiende gevaren kunnen worden voorkomen.

Bij het vastleggen van afbeeldingen voor analyse zijn drone-inspecties veiliger en goedkoper dan andere methoden van infrastructuur, zoals helikopters, satellieten en vaste vleugelvliegtuigen. Hun mobiele mogelijkheden stellen hen in staat om te manoeuvreren op een manier die hen in staat stelt om dichtbij te komen en meer granulaire informatie te verzamelen.

Hoe helpt het AI-gebaseerde platform van Buzz Solutions nutsbedrijven met predictief onderhoud en kostenbesparingen?

Onze oplossing haalt het grootste deel van het handmatige analysewerk uit de gridinspectie. PowerAI kan snel gevaarlijke situaties identificeren om potentieel rampen te voorkomen en kritieke informatie bieden voor monitoring- en beveiligingsdoeleinden. De AI-algoritmes zijn getraind om anomalieën zoals extreme temperaturen, ongeautoriseerde toegang tot voertuigen/personeel, thermische beeldvorming en meer te detecteren.

Naast preventieve tracking kan PowerAI ook een gestaffelde prioritering van anomalieën bieden voor geoptimaliseerd onderhoudsplanning. Al deze dingen minimaliseren de noodzaak voor fysieke inspecties, waardoor operationele kosten en veiligheidsrisico’s die samenhangen met handmatige inspecties worden vermindert. Het AI-gebaseerde platform biedt ook meer precieze en nauwkeurige detectie, waardoor onderhoudsbeslissingen worden verbeterd.

Kunt u de impact bespreken van het adopteren van AI op de operationele efficiëntie van nutsbedrijven?

Na de initiële lift van het adopteren van een AI-model, zal een nutsbedrijf de voordelen van het model voor een onbeperkte tijd blijven oogsten. De levenscyclus van een AI-model begint bij de installatie. AI kan actiegerichte inzichten oogsten uit duizenden afbeeldingen gemaakt over honderden mijlen aan infrastructuur. Gezien het feit dat we onze eerste dataset van een nutsbedrijf op een band ontvingen, is dit buitengewoon en het wordt alleen maar slimmer. AI maakt vroege detectie van onderhoudsproblemen veel mogelijk, waardoor kleine incidenten niet escaleren tot grotere veiligheidsrisico’s zoals bosbranden en ernstige verwondingen. Het vermindert de noodzaak voor menselijke inspecties, waardoor de nutsbedrijven kosten-efficiënter worden.

In uw artikel “Het adopteren van AI is slechts het begin voor nutsbedrijven” bespreekt u de initiële stappen van AI-adoptie. Wat zijn de meest kritieke overwegingen voor nutsbedrijven die hun AI-reis beginnen?

Er is een enorme kans voor nutsbedrijven om AI te gebruiken, en er zijn veel oplossingen om te overwegen. Voordat u springt, is het belangrijk om uw doelen te identificeren en een stabiele basis te creëren – welke uitdagingen ondervindt u momenteel die u zou willen dat AI helpt aan te pakken? Heeft uw team de technische expertise en de tijd om zo’n complexe transformatie aan te pakken? Hoe zal het de klanten beïnvloeden?

Naast interne afstemming is het belangrijk om voorbereid te zijn om meer data te ontvangen dan het nutsbedrijf eerder heeft ontvangen, wat waarschijnlijk zal leiden tot meer onderhoud als problemen ontstaan. Een nutsbedrijf moet een plan hebben om deze verzoeken te accommoderen en ervoor zorgen dat ze de juiste middelen hebben voordat ze hun AI-reis beginnen. Nutsbedrijven moeten ook samenwerken met oplossingsleveranciers om de juiste gegevens-toegang, -privacy en -beveiliging te implementeren bij het implementeren van AI-oplossingen. AI-gegenereerde inzichten moeten tenslotte worden gevoed in bestaande nutsbedrijfsprocessen, zodat ze actiegericht en in staat zijn om de bedrijfs- en operationele doelen van de organisatie te bereiken.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten bezoeken Buzz Solutions.